免費 ROC 曲線產生器
用平實的文字建立一張含 AUC、標示清楚的 ROC 曲線
描述你的分類器或診斷測試、AUC，以及你想顯示的任何閾值或信賴帶，AI 就會繪製出一張乾淨、專業、含對角隨機線的 ROC 曲線——可直接用於統計作業、模型評估與研究論文。
AI ROC 曲線產生器
預覽
範例這是範例結果。描述你的內容,生成你自己的。
ROC 曲線範例
點選任一範例即可載入其提示詞，或以它作為繪製你自己 ROC 曲線的起點。
什麼是 ROC 曲線？
ROC 曲線（接收者操作特徵曲線）是一種在每個決策閾值下，把分類器的真陽性率（敏感度）對其偽陽性率（1 − 特異度）繪製的圖，讓你能看出它區分兩個類別的能力。這個 ROC 曲線產生器能把一段平實的文字描述變成一張乾淨、標示清楚的圖——你描述你的模型或診斷測試、AUC，以及任何閾值或信賴帶，AI 就會產出一張比例恰當的圖，含標題座標軸、ROC 曲線、對角隨機線與可選的註解，全程無需試算表或程式碼。
為什麼要用 ROC 曲線產生器
- 在機器學習、統計與醫學中，ROC 曲線是跨所有閾值摘要並比較分類器與診斷測試表現的標準方式。
- 在 R、Python 或 scikit-learn 中製作出版品質的 ROC 圖需要許多格式調整，會分散你對分析的注意力。
- 正在學習敏感度、特異度與 AUC 的學生，從一張標示清楚的 ROC 曲線能理解得更透徹。
- 講師與研究人員需要快速、可呈現的 ROC 與 AUC 圖用於簡報、實驗報告與論文。
- 更換模型、閾值或信賴帶後重新產生，比徒手編輯繪圖程式碼快得多。
如何製作 ROC 曲線
描述分類器或診斷測試及其 AUC，並為座標軸命名——x 軸放偽陽性率（1 − 特異度），y 軸放真陽性率（敏感度）。接著加上你需要的任何特徵：一條虛線的對角隨機線、附列出各 AUC 圖例的多個模型、一個最佳閾值點，或一條陰影的 95% 信賴帶。產生 ROC 曲線後，檢查座標軸、AUC 與曲線形狀，若有任何不清楚之處再調整描述。
ROC 曲線的組成部分
- X 軸——偽陽性率（1 − 特異度），被錯誤標為陽性的陰性所佔比例。
- Y 軸——真陽性率（敏感度），被正確辨識的陽性所佔比例。
- ROC 曲線——在所有決策閾值下，描繪敏感度對偽陽性率的線。
- 對角隨機線——標示無區分能力的隨機分類器（AUC = 0.5）的 45° 虛線。
- AUC 值——ROC 曲線下方的面積，介於 0.5 到 1.0 之間、摘要整體表現的單一數字。
- 最佳閾值／操作點——曲線上突顯的一個點，標出所選的敏感度—特異度權衡。
ROC 曲線產生器常見問題
什麼是 ROC 曲線？
ROC 曲線（接收者操作特徵曲線）是一種呈現分類器或診斷測試區分兩個類別能力的圖。它在每個決策閾值下，把真陽性率（敏感度）對偽陽性率（1 − 特異度）繪製，因此一條朝左上角彎曲的曲線代表較佳的模型。
什麼是 AUC，它代表什麼？
AUC 是 ROC 曲線下方的面積，是一個介於 0.5 到 1.0、摘要整體表現的單一數字。AUC 為 0.5 表示模型不比隨機猜測（對角線）好，而 1.0 則表示完美區分。它可解讀為模型把一個隨機陽性案例排在一個隨機陰性案例之上的機率。
我要如何線上製作 ROC 曲線？
描述你的分類器或診斷測試、其 AUC，以及每個座標軸放什麼——偽陽性率（1 − 特異度）與真陽性率（敏感度）。這個線上 ROC 曲線產生器接著就會為你產出一張含對角隨機線、乾淨、標示清楚的 ROC 曲線，無需試算表、公式或程式碼。
敏感度與特異度代表什麼？
敏感度（真陽性率）是測試正確辨識的實際陽性所佔比例，而特異度則是它正確排除的實際陰性所佔比例。ROC 曲線的 y 軸是敏感度、x 軸是偽陽性率（等於 1 − 特異度），因此曲線呈現在捕捉陽性與避免假警報之間的權衡。
它是免費的嗎？
每次產生使用少量點數。新帳戶會獲得免費點數，因此你無需任何訂閱就能製作 ROC 曲線。
這適合用於課堂、研究或報告嗎？
適合。ROC 曲線產生器能產出乾淨、標示清楚的圖，適用於課堂作業、實驗報告、海報與研究論文。在把該圖用於正式報告之前，請務必確認曲線、AUC 與閾值點與你自己的模型輸出相符。
